Calcul de l’espérance d’utilité continu
Estimez l’espérance d’utilité d’une variable aléatoire continue avec une densité uniforme, normale ou exponentielle. L’outil calcule aussi la valeur espérée, l’équivalent certain et la prime de risque à partir d’une fonction d’utilité standard.
Guide expert du calcul de l’espérance d’utilité continu
Le calcul de l’espérance d’utilité continu est l’un des outils les plus importants de la théorie de la décision, de la finance, de l’assurance et de l’analyse économique. Lorsqu’un résultat possible n’est pas une simple liste discrète de gains, mais une variable aléatoire continue, la règle de décision rationnelle ne consiste plus seulement à comparer des moyennes. Elle consiste à comparer des espérances d’utilité, c’est-à-dire des valeurs qui tiennent compte à la fois du niveau de richesse, du risque et de la manière dont un décideur valorise chaque issue possible.
Dans sa forme continue, l’espérance d’utilité s’écrit en général sous la forme E[u(X)] = ∫ u(x) f(x) dx, où u(x) est la fonction d’utilité et f(x) la densité de probabilité de la variable continue X. Cette intégrale résume une idée très simple : chaque niveau possible de résultat est transformé en satisfaction via la fonction d’utilité, puis pondéré par sa probabilité locale. Plus la densité est forte autour d’une zone donnée, plus cette zone pèse dans le calcul final.
Pourquoi la moyenne seule ne suffit pas
Deux projets peuvent avoir la même valeur espérée et pourtant ne pas être jugés équivalents par un décideur rationnel. Supposons deux distributions de revenus futurs avec la même moyenne, mais une dispersion très différente. Si l’utilité marginale décroît avec la richesse, alors les pertes dans les scénarios défavorables pèsent plus lourd que les gains dans les scénarios très favorables. C’est exactement ce que capture l’espérance d’utilité.
Cette logique est au cœur de la microéconomie du risque. Une fonction d’utilité concave représente l’aversion au risque. Dans ce cas, l’utilité du revenu moyen est supérieure à l’utilité moyenne des revenus aléatoires seulement si le risque est nul. On retrouve ici l’intuition de l’inégalité de Jensen et la raison pour laquelle les individus acceptent parfois de payer une prime d’assurance : ils réduisent leur espérance monétaire, mais augmentent leur bien-être espéré.
Formule générale du calcul continu
Pour une variable continue X de densité f(x), le calcul suit quatre étapes :
- Choisir la distribution continue pertinente : uniforme, normale, exponentielle, lognormale, gamma, etc.
- Définir une fonction d’utilité cohérente avec le profil de risque du décideur.
- Évaluer l’intégrale ∫ u(x) f(x) dx sur le support de la variable.
- Comparer le résultat avec l’utilité d’un montant certain afin d’obtenir l’équivalent certain.
Lorsque l’intégrale ne possède pas de forme fermée simple, on recourt à l’intégration numérique, comme le fait le calculateur ci-dessus. Cette méthode est standard dans les logiciels quantitatifs et dans la finance computationnelle.
Quelles fonctions d’utilité utiliser
Le choix de la fonction d’utilité n’est jamais purement technique. Il exprime une hypothèse économique sur le comportement face au risque.
- Utilité logarithmique : adaptée à des variables strictement positives et souvent utilisée pour modéliser des préférences avec aversion relative au risque unitaire.
- Utilité racine carrée : forme concave simple, intuitive et pédagogique.
- Utilité exponentielle CARA : très utilisée en théorie financière lorsque l’aversion absolue au risque est constante.
- Utilité puissance CRRA : centrale en macroéconomie et en théorie du portefeuille, car l’aversion relative au risque y est constante.
En pratique, une fonction CARA est souvent commode pour des variables pouvant théoriquement prendre des valeurs sur tout l’axe réel, tandis que les utilités logarithmiques ou CRRA exigent une positivité stricte du résultat économique.
Le rôle de la distribution continue
Une bonne fonction d’utilité ne suffit pas. Il faut aussi choisir une densité cohérente avec les données et le phénomène observé. Une loi uniforme peut représenter une incertitude bornée sans biais central fort. Une loi normale convient à des chocs symétriques autour d’une moyenne. Une loi exponentielle modélise des temps d’attente, des durées de survie simplifiées ou des gains positifs avec décroissance rapide de la densité.
Pour approfondir les distributions continues, le NIST Engineering Statistics Handbook reste une référence technique très utile. Pour des ressources pédagogiques de niveau universitaire sur la décision sous risque, les cours de MIT OpenCourseWare sont également précieux.
Comparaison de distributions continues courantes
| Distribution | Support | Paramètres | Usage économique fréquent | Impact sur l’espérance d’utilité |
|---|---|---|---|---|
| Uniforme | [a, b] | a, b | Incertitude bornée, absence d’information privilégiée | Chaque sous-intervalle de même longueur pèse identiquement |
| Normale | (-∞, +∞) | μ, σ | Erreurs de mesure, chocs symétriques, modélisations simplifiées de rendements | La dispersion σ réduit fortement l’utilité espérée quand u est concave |
| Exponentielle | [0, +∞) | λ | Temps d’attente, durées, intensités positives | La masse près de zéro est élevée, ce qui peut pénaliser certaines utilités |
Données réelles utiles pour interpréter l’aversion au risque
Les choix de portefeuille observés dans la réalité confirment que les ménages arbitrent entre espérance et risque, non entre moyennes abstraites. Les données de la Survey of Consumer Finances de la Federal Reserve montrent bien que tous les ménages ne supportent pas le même niveau d’exposition aux actifs risqués. Ces statistiques sont pertinentes parce qu’elles rappellent qu’une même espérance monétaire peut être valorisée très différemment selon la fonction d’utilité implicite.
| Indicateur de patrimoine des ménages américains | Statistique 2022 | Lecture sous l’angle de l’utilité |
|---|---|---|
| Détention de comptes de transaction | 98,4 % des familles | Préférence quasi universelle pour la liquidité et la sécurité |
| Détention de comptes retraite | 54,3 % des familles | Acceptation d’un risque à long terme contre gain espéré supérieur |
| Détention directe d’actions | 20,7 % des familles | Le risque de marché n’est pas universellement accepté |
| Détention d’actions au sens large, directe ou indirecte | 58,4 % des familles | La décision dépend du profil d’utilité, de l’horizon et des contraintes |
Exemple simple de calcul
Prenons une variable de richesse future X suivant une loi normale de moyenne 100 et d’écart-type 20. Si l’on adopte une utilité exponentielle CARA avec coefficient d’aversion α = 0,02, alors le calculateur estime numériquement l’espérance d’utilité en intégrant la courbe u(x)f(x) sur l’intervalle pertinent. Ensuite, il détermine l’équivalent certain, c’est-à-dire le montant sûr qui procure exactement la même utilité.
Si l’équivalent certain vaut par exemple 96 alors que la valeur espérée vaut 100, la prime de risque est égale à 4. Cela signifie que le décideur serait indifférent entre recevoir 96 de façon certaine et affronter la loterie de moyenne 100. Cette différence mesure le coût psychologique ou économique du risque.
La notion d’équivalent certain
L’équivalent certain est un concept clé, car il traduit l’espérance d’utilité dans une unité monétaire compréhensible. Il s’obtient en résolvant l’équation u(CE) = E[u(X)]. Avec une utilité concave, le CE est inférieur à la moyenne monétaire. Plus la dispersion augmente, plus le CE tend à diminuer. En finance, cela permet de comparer des stratégies non seulement en rendement attendu, mais en bien-être espéré.
Erreurs fréquentes dans le calcul de l’espérance d’utilité continu
- Confondre E[u(X)] avec u(E[X]). Les deux sont en général différents.
- Utiliser une utilité logarithmique alors que la variable peut devenir nulle ou négative.
- Tronquer l’intégration sur une plage trop étroite et perdre une partie significative de la masse de probabilité.
- Choisir des paramètres de distribution irréalistes par rapport aux données observées.
- Interpréter la prime de risque comme une perte comptable plutôt que comme un coût de risque implicite.
Pourquoi l’intégration numérique est essentielle
Dans les applications réelles, il est rare de disposer d’une expression analytique élégante. L’intégration numérique permet de traiter des combinaisons complexes de densités et d’utilités, de faire varier finement les paramètres et d’obtenir des graphiques immédiats. Le calculateur représente à la fois la densité et la fonction d’utilité pour vous montrer visuellement comment les zones de forte probabilité interagissent avec les zones de forte ou faible satisfaction.
Cette visualisation est particulièrement utile pour la gestion des risques, car elle révèle si la baisse d’utilité provient d’un support trop étendu, d’une queue de distribution défavorable ou d’une aversion au risque excessivement forte.
Applications concrètes
- Finance personnelle : comparaison entre un placement garanti et un placement volatil.
- Assurance : détermination d’une prime acceptable ou d’une franchise optimale.
- Macroéconomie : modélisation de la consommation intertemporelle avec préférences CRRA.
- Théorie du portefeuille : arbitrage entre rendement espéré et désutilité du risque.
- Décision publique : évaluation d’options lorsque les effets futurs sont incertains et continus.
Comment bien utiliser le calculateur
Commencez par choisir une distribution qui ressemble à votre problème. Si vous modélisez un revenu futur relativement symétrique autour d’une prévision centrale, la loi normale est une bonne première approximation. Si la variable ne peut prendre que des valeurs positives et que les petites valeurs sont fréquentes, la loi exponentielle est plus plausible. Ensuite, sélectionnez la fonction d’utilité. Si votre sujet est pédagogique ou patrimonial, l’utilité logarithmique ou CRRA est souvent parlante. Si vous travaillez sur un cadre financier simplifié avec aversion absolue constante, la fonction CARA est très pratique.
Vérifiez ensuite le graphique. Si la densité s’étend sur une zone où l’utilité n’est pas définie, le calcul doit être rejeté ou repensé. Enfin, comparez non seulement l’espérance d’utilité, mais aussi l’équivalent certain et la prime de risque. Ces trois indicateurs racontent ensemble une histoire complète sur la décision.
En résumé
Le calcul de l’espérance d’utilité continu permet de passer d’une vision purement probabiliste à une vision économique de l’incertitude. Au lieu de demander seulement ce qui se passe en moyenne, il demande ce que vaut vraiment chaque scénario pour un décideur donné. C’est cette capacité à intégrer préférences, risque et distributions continues qui rend l’outil si puissant.
Si vous utilisez correctement la densité, la fonction d’utilité et l’équivalent certain, vous obtenez un cadre robuste pour décider dans l’incertain. Le calculateur ci-dessus vous donne une base opérationnelle, visuelle et quantitative pour explorer ce principe fondamental.